作者：?Vincent Granville ? ?編譯：機(jī)器之心

在這篇文章中，數(shù)據(jù)科學(xué)家與分析師 Vincent Granville明晰了數(shù)據(jù)科學(xué)家所具有的不同角色，以及數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工智能、統(tǒng)計(jì)學(xué)、物聯(lián)網(wǎng)、運(yùn)籌學(xué)和應(yīng)用數(shù)學(xué)等相關(guān)領(lǐng)域的比較和重疊。Granville介紹說，由于數(shù)據(jù)科學(xué)是一個(gè)范圍很廣的學(xué)科，所以他首先介紹了在業(yè)務(wù)環(huán)境中可能會(huì)遇到的數(shù)據(jù)科學(xué)家的類型，你甚至可能會(huì)發(fā)現(xiàn)你自己原來也是某種數(shù)據(jù)科學(xué)家。和其它任何科學(xué)學(xué)科一樣，數(shù)據(jù)科學(xué)也可能會(huì)從其它相關(guān)學(xué)科借用技術(shù)。當(dāng)然，我們也已經(jīng)開發(fā)出了自己的技術(shù)庫，尤其是讓我們可以以自動(dòng)化的方式（甚至完全無需人類干預(yù)）處理非常大規(guī)模的非結(jié)構(gòu)化數(shù)據(jù)集的技術(shù)和算法，進(jìn)而實(shí)時(shí)執(zhí)行交易或進(jìn)行預(yù)測。

1.數(shù)據(jù)科學(xué)家具有哪些不同類型？

要更詳細(xì)地了解數(shù)據(jù)科學(xué)家的類型，可參閱文章：http://suo.im/28rlX1和 http://suo.im/3NNUpd。更多有用的信息可參閱：

而在最近，數(shù)據(jù)科學(xué)家 Ajit Jaokar則又討論了 A型數(shù)據(jù)科學(xué)家（分析師）和 B型數(shù)據(jù)科學(xué)家（建造者）之間的區(qū)別：

A型數(shù)據(jù)科學(xué)家能夠很好地編寫操作數(shù)據(jù)的代碼，但并不一定是一個(gè)專家。A型數(shù)據(jù)科學(xué)家可能是一個(gè)實(shí)驗(yàn)設(shè)計(jì)、預(yù)測、建模、統(tǒng)計(jì)推理或統(tǒng)計(jì)學(xué)方面的事情的專家。然而總體而言，一個(gè)數(shù)據(jù)科學(xué)家的工作產(chǎn)品并不是「P值和置信區(qū)間」——就像學(xué)術(shù)界的統(tǒng)計(jì)學(xué)有時(shí)候建議的那樣（而且這常常是為傳統(tǒng)的制藥等等行業(yè)工作的）。在谷歌，A型數(shù)據(jù)科學(xué)家被稱為統(tǒng)計(jì)學(xué)家、定量分析師、決策支持工程開發(fā)分析師，也有一些被稱為數(shù)據(jù)科學(xué)家。

B型數(shù)據(jù)科學(xué)家——這里的 B是指 Building。B型數(shù)據(jù)科學(xué)家和 A型數(shù)據(jù)科學(xué)家具有相同的背景，但他們還是很強(qiáng)的程序員、甚至經(jīng)驗(yàn)豐富的軟件工程師。B型數(shù)據(jù)科學(xué)家主要關(guān)注在生產(chǎn)環(huán)境中使用數(shù)據(jù)。他們構(gòu)建能與用戶進(jìn)行交互的模型，通常是提供推薦（產(chǎn)品、可能認(rèn)識(shí)的人、廣告、電影、搜索結(jié)果等）。

而對于業(yè)務(wù)處理優(yōu)化，我也有自己的看法，我將其分成了 ABCD四個(gè)方向，其中 A表示分析科學(xué)（analytics science），B表示業(yè)務(wù)科學(xué)（business science），C表示計(jì)算機(jī)科學(xué)（computer science），D則表示數(shù)據(jù)科學(xué)（data science）。數(shù)據(jù)科學(xué)可能會(huì)涉及到編程或數(shù)學(xué)實(shí)踐，但也可能不會(huì)涉及到。你可以參考 http://suo.im/11bR7o這篇文章了解高端和低端的數(shù)據(jù)科學(xué)的差異。在一家創(chuàng)業(yè)公司，數(shù)據(jù)科學(xué)家通常要做很多類型的工作，其扮演的工作角色可能包括：執(zhí)行、數(shù)據(jù)挖掘師、數(shù)據(jù)工程師或架構(gòu)師、研究員、統(tǒng)計(jì)學(xué)家、建模師（做預(yù)測建模等等）和開發(fā)人員。

雖然數(shù)據(jù)科學(xué)家常常被看作是經(jīng)驗(yàn)豐富的 R、Python、SQL、Hadoop程序員，而且精通統(tǒng)計(jì)學(xué)，但這只不過是冰山一角而已——人們對于數(shù)據(jù)科學(xué)家的這些看法不過是來自于重在教授數(shù)據(jù)科學(xué)的部分元素的數(shù)據(jù)培訓(xùn)項(xiàng)目而已。但正如一位實(shí)驗(yàn)室技術(shù)人員也可以稱自己為物理學(xué)家一樣，真正的物理學(xué)家遠(yuǎn)不止于此，而且他們的專業(yè)領(lǐng)域也是非常多樣化的：天文學(xué)、數(shù)學(xué)物理、核物理、力學(xué)、電氣工程、信號(hào)處理（這也是數(shù)據(jù)科學(xué)的一個(gè)領(lǐng)域）等等許多。數(shù)據(jù)科學(xué)也是一樣，包含的領(lǐng)域有：生物信息學(xué)、信息技術(shù)、模擬和量化控制、計(jì)算金融、流行病學(xué)、工業(yè)工程、甚至數(shù)論。

對我而言，在過去的十年里，我專注于機(jī)器到機(jī)器和設(shè)備到設(shè)備的通信、開發(fā)自動(dòng)處理大型數(shù)據(jù)集的系統(tǒng)以及執(zhí)行自動(dòng)化交易（比如購買網(wǎng)絡(luò)流量或自動(dòng)生成內(nèi)容）。這意味著需要開發(fā)能夠處理非結(jié)構(gòu)化數(shù)據(jù)的算法，這也是人工智能、物聯(lián)網(wǎng)和數(shù)據(jù)科學(xué)的交叉領(lǐng)域，也可被稱為深度數(shù)據(jù)科學(xué)（deep data science）。其對數(shù)學(xué)的需求相對較少，也只涉及到較少的編程（大部分是調(diào)用 API），但其卻是相當(dāng)數(shù)據(jù)密集型的（包括構(gòu)建數(shù)據(jù)系統(tǒng)），并且基于專門為此背景而設(shè)計(jì)的全新統(tǒng)計(jì)技術(shù)。

在此之前，我的工作是實(shí)時(shí)的信用卡欺詐檢測。在我事業(yè)的早期階段（大約 1990年），我開發(fā)過圖像遠(yuǎn)程感知技術(shù)，其中包括識(shí)別衛(wèi)星圖像的模式（形狀和特征，比如湖泊）和執(zhí)行圖像分割：那段時(shí)間我的研究工作被稱為是計(jì)算統(tǒng)計(jì)學(xué)，但在我的母校，隔壁的計(jì)算機(jī)科學(xué)系也在做著幾乎完全一樣的事情，但他們把自己的工作叫做是人工智能。

今天，這項(xiàng)工作被稱作數(shù)據(jù)科學(xué)或人工智能，其子領(lǐng)域包括信號(hào)處理、用于物聯(lián)網(wǎng)的計(jì)算機(jī)視覺等。

另外，數(shù)據(jù)科學(xué)家也可以在各種各樣的數(shù)據(jù)科學(xué)項(xiàng)目中出現(xiàn)，比如數(shù)據(jù)收集階段或數(shù)據(jù)探索階段一直到統(tǒng)計(jì)建模和已有系統(tǒng)維護(hù)。

2.機(jī)器學(xué)習(xí)對比深度學(xué)習(xí)

在深入探討數(shù)據(jù)學(xué)習(xí)與機(jī)器學(xué)習(xí)之間的區(qū)別前，我們先簡單討論下機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別。機(jī)器學(xué)習(xí)一系列在數(shù)據(jù)集上進(jìn)行訓(xùn)練的算法，來做出預(yù)測或采取形同從而對系統(tǒng)進(jìn)行優(yōu)化。例如，基于歷史數(shù)據(jù)，監(jiān)督分類算法就被用來分類潛在的客戶或貸款意向。根據(jù)給定任務(wù)的不同（例如，監(jiān)督式聚類），用到的技術(shù)也不同：樸素貝葉斯、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、ensembles、關(guān)聯(lián)規(guī)則、決策樹、邏輯回歸或多種方法之間的結(jié)合。

這些都是數(shù)據(jù)科學(xué)的分支。當(dāng)這些算法被用于自動(dòng)化的時(shí)候，就像在自動(dòng)飛行或無人駕駛汽車中，它被稱為人工智能，更具體的細(xì)說，就是深度學(xué)習(xí)。如果數(shù)據(jù)收集自傳感器，通過互聯(lián)網(wǎng)進(jìn)行傳輸，那就是機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)或深度學(xué)習(xí)應(yīng)用到了 IoT上。

有些人對深度學(xué)習(xí)有不同的定義。他們認(rèn)為深度學(xué)習(xí)是帶有更多層的神經(jīng)網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)技術(shù)）。深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的區(qū)別這一問題在 Quora上也被問到過，下面對此有詳細(xì)的解釋：

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)子領(lǐng)域，創(chuàng)造于 20世紀(jì) 60年代，它涉及到解決對人類而言簡單卻對計(jì)算機(jī)很難的任務(wù)。詳細(xì)來說，所謂的強(qiáng)人工智能系統(tǒng)應(yīng)該是能做人類所能做的任何事。這是相當(dāng)通用的，包含所有的任務(wù)，比如規(guī)劃、到處移動(dòng)、識(shí)別物體與聲音、說話、翻譯、完成社會(huì)或商業(yè)事務(wù)、創(chuàng)造性的工作（繪畫、作詩）等。

自然語言處理只是人工智能與語言有關(guān)的一部分。

機(jī)器學(xué)習(xí)被認(rèn)為是人工智能的一方面：給定一些可用離散術(shù)語（例如，在一些行為中，那個(gè)行為是正確的）描述的人工智能問題，并給出關(guān)于這個(gè)世界的大量信息，在沒有程序員進(jìn)行編程的情況下弄清楚「正確」的行為。典型的是，需要一些外部流程判斷行為是否正確。在數(shù)學(xué)術(shù)語中，也就是函數(shù)：饋入輸入，產(chǎn)生正確的輸出。所以整個(gè)問題就是以自動(dòng)化的方式建立該數(shù)學(xué)函數(shù)的模型。在二者進(jìn)行區(qū)分時(shí)：如果我寫出的程序聰明到表現(xiàn)出人類行為，它就是人工智能。但如果它的參數(shù)不是自動(dòng)從數(shù)據(jù)進(jìn)行學(xué)習(xí)，它就不是機(jī)器學(xué)習(xí)。

深度學(xué)習(xí)是如今非常流行的一種機(jī)器學(xué)習(xí)。它涉及到一種特殊類型的數(shù)學(xué)模型，可認(rèn)為它是特定類型的簡單模塊的結(jié)合（函數(shù)結(jié)合），這些模塊可被調(diào)整從而更好的預(yù)測最終輸出。

3.機(jī)器學(xué)習(xí)與統(tǒng)計(jì)學(xué)之間的區(qū)別

《Machine Learning Vs. Statistics》這篇文章試圖解答這個(gè)問題。這篇文章的作者認(rèn)為統(tǒng)計(jì)學(xué)是帶有置信區(qū)間（confidence intervals）的機(jī)器學(xué)習(xí)，是為了預(yù)測或估計(jì)數(shù)量。但我不同意，我曾建立過不需要任何數(shù)學(xué)或統(tǒng)計(jì)知識(shí)的工程友好的置信區(qū)間。

4.數(shù)據(jù)科學(xué)對比機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)都是數(shù)據(jù)科學(xué)的一部分。機(jī)器學(xué)習(xí)中的學(xué)習(xí)一詞表示算法依賴于一些數(shù)據(jù)（被用作訓(xùn)練集），來調(diào)整模型或算法的參數(shù)。這包含了許多的技術(shù)，比如回歸、樸素貝葉斯或監(jiān)督聚類。但不是所有的技術(shù)都適合機(jī)器學(xué)習(xí)。例如有一種統(tǒng)計(jì)和數(shù)據(jù)科學(xué)技術(shù)就不適合——無監(jiān)督聚類，該技術(shù)是在沒有任何先驗(yàn)知識(shí)或訓(xùn)練集的情況下檢測 cluster和 cluster結(jié)構(gòu)，從而幫助分類算法。這種情況需要人來標(biāo)記 cluster。一些技術(shù)是混合的，比如半監(jiān)督分類。一些模式檢測或密度評(píng)估技術(shù)適合機(jī)器學(xué)習(xí)。

數(shù)據(jù)科學(xué)要比機(jī)器學(xué)習(xí)廣泛。數(shù)據(jù)科學(xué)中的數(shù)據(jù)可能并非來自機(jī)器或機(jī)器處理（調(diào)查數(shù)據(jù)可能就是手動(dòng)收集，臨床試驗(yàn)涉及到專業(yè)類型的小數(shù)據(jù)），就像我剛才所說的，它可能與「學(xué)習(xí)」沒有任何關(guān)系。但主要的區(qū)別在于數(shù)據(jù)科學(xué)覆蓋整個(gè)數(shù)據(jù)處理，并非只是算法的或統(tǒng)計(jì)類分支。細(xì)說之，數(shù)據(jù)科學(xué)也包括：

當(dāng)然，在許多公司內(nèi)數(shù)據(jù)科學(xué)家只專注這些流程中的一個(gè)。

對于這篇文章，技術(shù)顧問 Suresh Babu給出了一個(gè)評(píng)論，機(jī)器之心將其編譯整合到了下面：

這篇文章說明了解使用機(jī)器/計(jì)算機(jī)來處理類似人類決策的任務(wù)的統(tǒng)計(jì)學(xué)習(xí)的基本術(shù)語是件很麻煩的事。

但文章中「當(dāng)這些算法被用于自動(dòng)化的時(shí)候，就像在自動(dòng)飛行或無人駕駛汽車中，它被稱為人工智能，更具體的細(xì)說，就是深度學(xué)習(xí)?！惯@樣的說話看起來卻有些隨意任性。

當(dāng)過去計(jì)算機(jī)/機(jī)器還不夠友好，沒有得到廣泛使用的時(shí)候，統(tǒng)計(jì)學(xué)家和數(shù)據(jù)科學(xué)家的工作和現(xiàn)在這個(gè)領(lǐng)域的工作有很大的不同。比如說，當(dāng)制造業(yè)開始使用計(jì)算機(jī)輔助后，生產(chǎn)速度和量都發(fā)生了巨大的變化——但它仍然是制造業(yè)。用制造機(jī)器來做原本人類做的程序化工作的想法最早來自 19世紀(jì)初 Jacquard和 Bouchon等人。而 Jacquard織布機(jī)的工作方式和現(xiàn)在計(jì)算機(jī)控制的織布機(jī)的工作方式基本相同。

現(xiàn)在的數(shù)據(jù)科學(xué)是一個(gè)知識(shí)體系，囊括了統(tǒng)計(jì)學(xué)和計(jì)算方法等等（而且在不同的具體領(lǐng)域不同學(xué)科的比例也不一樣）。

機(jī)器學(xué)習(xí)（或使用了其它的術(shù)語，比如深度學(xué)習(xí)、認(rèn)知計(jì)算）是讓機(jī)器像人類一樣思考和推理，基本上而言是指通過人工的方法（所以也叫人工智能）來代替人類天生的自然智能——涉及到的任務(wù)從簡單到復(fù)雜都有。比如，無人駕駛汽車（目前）正在模仿人類的駕駛，駕駛條件也是人類在自然情況下會(huì)遇到的——我說「目前」是因?yàn)橐苍S未來人類將很少能夠直接駕駛機(jī)器，「駕駛（drive）」這個(gè)詞本身都可能會(huì)改變含義。

這個(gè)領(lǐng)域里面也有些滑稽可笑的事情，比如一些基本的東西（比如一個(gè)下國際象棋或圍棋的算法）被認(rèn)為可以解釋人腦的工作方式。就我們目前的知識(shí)水平而言，光是解釋鳥或魚的大腦的工作方式就已經(jīng)非常困難了——這說明我們還沒有真正理解學(xué)習(xí)的機(jī)制。為什么果蠅只需幾百個(gè)神經(jīng)元就能做到這么多事情？這還是神經(jīng)科學(xué)的一個(gè)未解之謎。而認(rèn)知是什么以及其在自然環(huán)境下是如何工作的也是一個(gè)數(shù)據(jù)科學(xué)傲慢地認(rèn)為自己能解決的重大難題。（不管怎樣，降維是一種無監(jiān)督學(xué)習(xí)的方法。）

在很多方面，工具以及我們使用工具所做的事情自人類誕生以來就在引導(dǎo)著人類的學(xué)習(xí)。但這就扯遠(yuǎn)了。

未來的世界屬于誰？

沒有人能給出一個(gè)確切的答案，但總有人能根據(jù)歷史發(fā)展的趨勢、科技發(fā)展的方向，給出一個(gè)比較靠譜的預(yù)測。而許多這樣的預(yù)測都表明，未來將是一個(gè)屬于碼農(nóng)的世界。

在農(nóng)業(yè)社會(huì)，男耕女織，社會(huì)的經(jīng)濟(jì)基礎(chǔ)是農(nóng)業(yè)，而社會(huì)的建設(shè)者就是農(nóng)民；到了工業(yè)時(shí)代，機(jī)器轟鳴，工業(yè)生產(chǎn)成為拉動(dòng)經(jīng)濟(jì)增長的主要?jiǎng)恿?，這時(shí)主要的社會(huì)建設(shè)者是工人；而在后現(xiàn)代化的科技時(shí)代，一切都在朝著智能化、信息化的方向發(fā)展，這時(shí)的主體建設(shè)者就是程序員，也就是碼農(nóng)。

《人類簡史》的作者尤瓦爾?赫拉利前不久又推出另一本大部頭的著作《未來簡史》，其中有以下2個(gè)核心觀點(diǎn)：

1，世界的一切都是數(shù)據(jù)處理。如果把每個(gè)人都想象成一個(gè)處理器，人與人之間的交流就是信息交流，那么整個(gè)人類社會(huì)就是一個(gè)數(shù)據(jù)處理系統(tǒng)。整個(gè)人類歷史，就是給這個(gè)系統(tǒng)增加效率的歷史。

2，生命本身就是算法——?jiǎng)游锖腿硕几饔芯艿乃惴ǎ瑸榈氖巧婧头毖?。人的感覺、情緒、想法都是算法在支配。人類已經(jīng)開發(fā)出更精密的算法，谷歌、facebook等大數(shù)據(jù)公司將比我們自己更了解人類。人類社會(huì)的未來將會(huì)是一個(gè)全新的、效率更高的數(shù)據(jù)處理系統(tǒng)，稱為“萬物互聯(lián)網(wǎng)”。

尤瓦爾?赫拉利指出，未來屬于人工智能和神人，神人就是通過生物科技升級(jí)了肉體，通過人工智能融合技術(shù)加強(qiáng)了智力的“超人類”，他們將和“無意識(shí)、無處不在的、自我進(jìn)化、自我升級(jí)的人工智能算法系統(tǒng)”一同統(tǒng)治人類。

換句話說，神人就是能給自身編寫代碼的人。

在電影黑客帝國里，人類世界變成了一個(gè)虛擬的世界，任何物體、甚至人類自身也只是一行行代碼，實(shí)際存在的物體如此，意識(shí)更成了代碼運(yùn)行的結(jié)果。這樣的世界也許只是想象，而尤瓦爾?赫拉利所謂的“神人”也可能存在于更遙遠(yuǎn)的未來。

但在可預(yù)見的一段時(shí)間內(nèi)，顯然是屬于碼農(nóng)的黃金時(shí)代。

人工智能的核心不是硬件，而是支撐它智能行為的代碼。常言都說，若想機(jī)器人能服務(wù)于人類，并且不構(gòu)成傷害，必須滿足機(jī)器人三大定律。而這三大定律如何實(shí)現(xiàn)，當(dāng)然必須落實(shí)于一行行代碼。未來屬于人工智能，更屬于創(chuàng)造它們的碼農(nóng)。

此外，在一個(gè)越來越智能化的時(shí)代，把世界翻譯成為數(shù)字和算法將是必由之路。這條路的終點(diǎn)，必將是實(shí)現(xiàn)萬物互聯(lián)。這必將是一個(gè)漫長的過程，而這個(gè)過程也必將是碼農(nóng)們施展才華的黃金時(shí)代。

在當(dāng)今現(xiàn)實(shí)生活中，“碼農(nóng)”和“程序猿”、“攻城獅”、“IT民工”等等常是帶有自黑意味的詞語，然而碼農(nóng)卻是未來世界必不可少的建設(shè)者。

未來需要碼農(nóng)，未來屬于碼農(nóng)。如此，“碼農(nóng)”當(dāng)然不是一個(gè)苦逼的職業(yè)，而是一個(gè)酷斃的事業(yè)。

而“機(jī)器人基金管家”，也就是通過數(shù)學(xué)模型進(jìn)行量化投資的計(jì)算機(jī)。據(jù)悉，貝萊德此次重組規(guī)模為300億美元，約占主動(dòng)型基金規(guī)模的11%。其中，有60億美元將被并入集團(tuán)旗下的BlackRock Advantage基金，即機(jī)器人管家來掌控的基金。

消息一出，反響四起。

畢竟，基金經(jīng)理向來是高智商財(cái)經(jīng)人才所從事的職業(yè)，從業(yè)者需要具備良好的數(shù)學(xué)基礎(chǔ)和扎實(shí)的經(jīng)濟(jì)學(xué)理論功底。機(jī)器人代替流水線工人尚在意料之中，代替基金經(jīng)理實(shí)在讓人意外。

凱文﹒凱利曾在《失控》中指出，人們在將自然邏輯輸入到機(jī)器的同時(shí)，也把技術(shù)邏輯帶到了生命之中，因而，人造和天生的聯(lián)姻是未來發(fā)展的方向。

接下來，我們就來看看，除了基金經(jīng)理，機(jī)器還融入了哪些人類的工作崗位：

1，機(jī)器人士兵

在好萊塢大片里，不乏機(jī)器人戰(zhàn)士，像《終結(jié)者》里的T800和T1000、《星球大戰(zhàn)》里面的C-3PO，還有《機(jī)械公敵》里面的NS-5。這些雖是電影人的創(chuàng)作，但在現(xiàn)實(shí)中，許多國家都在積極研究具有高智商、高自主化的智能機(jī)械。

機(jī)器人士兵不畏死亡、不會(huì)饑餓、忠于命令，還不會(huì)產(chǎn)生戰(zhàn)爭后遺癥等心理疾病，它們可能比人類士兵更加優(yōu)秀，似乎派它們上戰(zhàn)場也更人道。因此美國政府就希望10年內(nèi)機(jī)器人士兵能成為美軍的主力。

美國波士頓動(dòng)力公司研制了一款名為“PetMan”的軍用機(jī)器人，能夠像士兵一樣活動(dòng)手臂和大腿，它的職能是為美軍實(shí)驗(yàn)防護(hù)服裝。

圖為PetMan機(jī)器人

波士頓動(dòng)力學(xué)工程公司還研制了一款“大狗”機(jī)器人，其體型與大型犬相當(dāng)，能夠在戰(zhàn)場上發(fā)揮非常重要的作用：在交通不便的地區(qū)為士兵運(yùn)送彈藥、食物和其他物品。

可以想見，機(jī)器人取代人成為未來戰(zhàn)場上的主力將是科技飛躍帶來的最終結(jié)果。那么，機(jī)器人代替人類上戰(zhàn)場，是不是一個(gè)減少流血犧牲、避免人類傷亡的人道方案呢？

當(dāng)然，最人道的方案還是——沒有戰(zhàn)爭。

2，機(jī)器人廚師

當(dāng)今社會(huì)，生活節(jié)奏不斷加快。有一個(gè)會(huì)做飯的機(jī)器人，實(shí)在是能讓自己省下烹飪的時(shí)間，并依然能享受到美味的佳肴。

圖為Moley

英國的研發(fā)團(tuán)隊(duì)，就開發(fā)了這樣一個(gè)機(jī)器人，Moley，其號(hào)稱是“世界上第一款自動(dòng)化廚師機(jī)器人”，能夠?qū)崿F(xiàn)完全自動(dòng)化的烹飪體驗(yàn)。

它的數(shù)據(jù)庫中擁有多達(dá)2000多道菜，包括米飯、壽司、蟹肉濃湯、橙汁雞等等各國美食。相信只要代碼編好，食材準(zhǔn)備齊全，由它做出一桌滿漢全席也不是難事。

3，機(jī)器人司機(jī)

機(jī)器人司機(jī)其實(shí)就是自動(dòng)駕駛，不少科技巨頭都花費(fèi)重金布防在自動(dòng)駕駛領(lǐng)域。

像蘋果公司的造車項(xiàng)目“Titan”。雖然蘋果公司不是汽車業(yè)巨頭，但其有著足夠的資金儲(chǔ)備和技術(shù)支持，成為自動(dòng)駕駛領(lǐng)域的弄潮兒也未可知。

Uber聯(lián)合創(chuàng)始人兼首席執(zhí)行官TravisKalanick曾說過，“我們意識(shí)到自動(dòng)駕駛一定會(huì)引領(lǐng)世界潮流，如果我們不能參與到其中，我們就會(huì)被未來世界拋棄?！比ツ辏琔ber高調(diào)宣布和沃爾沃達(dá)成合作，共同研發(fā)自動(dòng)駕駛技術(shù)。

谷歌從2009年就正式啟動(dòng)無人駕駛汽車項(xiàng)目，作為最早涉足自動(dòng)駕駛領(lǐng)域的互聯(lián)網(wǎng)巨頭，谷歌在技術(shù)上有著豐厚儲(chǔ)備。同蘋果公司一樣，谷歌在未來可能會(huì)更加注重自動(dòng)駕駛軟件的研發(fā)，而不是自己制造自動(dòng)駕駛汽車。

而國內(nèi)的公司，在自動(dòng)駕駛領(lǐng)域有著較大突破的要算是百度了。2015年，百度正式成立了自動(dòng)駕駛事業(yè)部，并提出了三年實(shí)現(xiàn)自動(dòng)駕駛汽車商業(yè)化，五年實(shí)現(xiàn)自動(dòng)駕駛汽車量產(chǎn)的目標(biāo)。2015年12月份，百度以改裝過的寶馬三系GT為試驗(yàn)車輛在北京5環(huán)上進(jìn)行了自動(dòng)駕駛測試。不久后，百度還拿到了美國加州頒發(fā)的全球第15張無人汽車上路測試牌照。

不難想象，在如此多的科技巨頭研發(fā)、布局的情況下，實(shí)現(xiàn)自動(dòng)駕駛只是時(shí)間問題。

而在未來世界，是不是也就沒了“老司機(jī)”？

4，機(jī)器人記者

機(jī)器人能寫新聞，這不算是新聞了。

2016年9月10日上午10時(shí)9分，騰訊網(wǎng)財(cái)經(jīng)頻道發(fā)出了一篇題為《8月CPI同比上漲2.0% 創(chuàng)12個(gè)月新高》的稿件，引起多方關(guān)注。

但大家的關(guān)注點(diǎn)并不在內(nèi)容，而是這篇報(bào)道是由新聞寫作機(jī)器人寫出來的。

我們印象中的機(jī)器人，是按照邏輯算法來進(jìn)行工作的，它強(qiáng)在數(shù)據(jù)處理，竟難以想到它也可以用來新聞寫作。

當(dāng)然不論是國內(nèi)還是國外的新聞寫作機(jī)器人，如今都是在寫一些有著固定模板的簡單新聞。真正的寫作，需要想象力和情感，而這些，現(xiàn)在的機(jī)器人沒有，未來會(huì)有嗎？

……

以上只是簡單列舉了幾例，除了基金經(jīng)理，機(jī)器人還可勝任的工作其實(shí)不勝枚舉。因此，本文的題目似乎應(yīng)該改成——還有哪些工作，機(jī)器人不能做？

你覺得呢？

135億年前宇宙形成，46億年前地球形成，38億年前地球出現(xiàn)有機(jī)體，而一直到7萬年前，我們的祖先智人才開始創(chuàng)造“文化”，繼而發(fā)展出我們所謂的“人類歷史”。

要將7萬年的人類歷史在400頁的書內(nèi)講完，顯然不能窮盡細(xì)節(jié)，單是講中國的簡史，恐怕400頁書也不能夠。因而這本書只講歷史發(fā)展的脈絡(luò)，以及其背后的歷史法則。而且作者不單是講歷史，還從物理學(xué)、化學(xué)、生物學(xué)、政治學(xué)、心理學(xué)等等多個(gè)角度，來闡釋7萬年來的智人個(gè)體，乃至整個(gè)人類社會(huì)的來龍去脈。

這樣一本人類歷史的“提綱挈領(lǐng)”，可算是“哲學(xué)”了，因?yàn)樗v雖是過去，卻讓你看到了未來。

人類的歷史，約7萬年前，發(fā)生認(rèn)知革命；約12000年前，農(nóng)業(yè)革命；約500年前，科學(xué)革命。而這本書也是圍繞這三次革命來展開。

我們提到“人類”，想到的只是我們自己。其實(shí)，按照生物分類學(xué)“界門綱目科屬種”的劃分，人類是“屬”的概念，我們智人只是“人屬”下的一個(gè)物種。智人的親戚有很多，只不過都已絕跡：

尼安德特人，魁梧高大、肌肉發(fā)達(dá)，適應(yīng)寒冷氣候，主要活動(dòng)于歐洲；

直立人，存續(xù)時(shí)間最久的人類物種，近200萬年，居住在亞洲；

梭羅人，適應(yīng)熱帶氣候，居住于印度尼西亞的爪哇島；

弗洛里斯人，身高不到1米，體重不過25公斤（估計(jì)是《指環(huán)王》里霍比特人的原型），居住于印度尼西亞的弗洛里斯島。

……

事實(shí)上，以上幾例都是已經(jīng)發(fā)現(xiàn)的，還有更多智人的“親人”遺骸散落在世界各地，等待發(fā)掘。

因此，200萬年前到1萬年前，是許多人類物種共存于世的。但從7萬年前開始，智人向全球擴(kuò)張，其他人種急劇凋零，直至滅絕。

以智人的身體素質(zhì)，打敗弗洛里斯人綽綽有余，但遠(yuǎn)不是尼安德特人的對手。而我們勝出的原因，就是距今7萬年前至3萬年前發(fā)生的“認(rèn)知革命”，即新的思維和溝通方式：

1，? 八卦。我們的語言除了用來探討獵物，警示危險(xiǎn)，還開始被用來“八卦”，即討論部落里的人情世故。也許你很難相信，“八卦”居然是智人制勝的法寶？確實(shí)如此。通過八卦，智人能很快熟悉部落所有人的情況，如此就能凝聚部落，發(fā)展出更緊密復(fù)雜的合作形式。

2，? 虛構(gòu)故事。智人有了八卦的能力，部落因而擴(kuò)大，并聯(lián)系緊密。但“八卦”維持的最大自然團(tuán)體大約是150人。超過150人，大家無法深入了解彼此，緊密的合作也無從談起。比如有專家研究，自然的黑猩猩部落維持在20~50只，超過100只必然陷入崩潰。然而“虛構(gòu)的故事”卻可以使成千上萬的人組成“部落”，并緊密配合。

虛構(gòu)的故事，重點(diǎn)在于所有人一起想象并相信。比如《圣經(jīng)》的故事，它就能讓所有信仰上帝但卻互不認(rèn)識(shí)的人在同一天進(jìn)教堂禱告。甚至是國家、公司、法律等等都是我們智人虛構(gòu)的故事，只要有足夠多的人相信，就能讓無數(shù)的人集結(jié)起來，有序地合作。

會(huì)八卦，能編故事，這迅速讓智人部落壯大起來。如果尼安德特人看到一棵樹，那它就是一棵樹。可智人看到了一棵樹，他可能會(huì)說，這樹是我們的保護(hù)神，違背樹神旨意就要得到懲罰，成百上千的智人雖互不了解，但樹神的旨意是統(tǒng)一的，這棵樹就能凝聚無數(shù)信仰樹神的人，并讓他們整齊劃一，分工合作。

這棵樹，在古代是上帝，在現(xiàn)代是法律。

智人個(gè)體戰(zhàn)斗能力比不過尼安德特人，但智人可以有1000人以上的緊密合作的部落，尼安德特人卻最多100個(gè)人一起戰(zhàn)斗。好比動(dòng)物園的黑猩猩可以輕易手撕人類，但卻被我們關(guān)在籠子里。而這場人類物種之戰(zhàn)，顯然也是智人完勝。

人類有250萬年的時(shí)間靠采集和狩獵為生，但在大約1萬年前，我們開始停止游蕩，全心全意培育幾種動(dòng)植物，以之為食，這便是農(nóng)業(yè)革命。

1萬年前，小麥只是野草中的一種。當(dāng)人類發(fā)現(xiàn)它的食用價(jià)值之后，便開始精心種植小麥，日出而作日落而息，除草、殺蟲、灌溉、施肥，草場變成麥田，最終的結(jié)果是人馴化了小麥，定居走入農(nóng)業(yè)社會(huì)，但小麥何嘗不是馴化了人類，為自己謀了個(gè)終身保姆？

農(nóng)業(yè)革命之前，人類居無定所，食物難以保障，農(nóng)業(yè)革命之后，每單位土地能穩(wěn)定地提供更多的食物，人口也開始不斷增加。如果以DNA拷貝數(shù)的多寡來衡量一個(gè)物種演化成功與否，難么智人絕對算是成功的。但就智人個(gè)體來說，農(nóng)業(yè)革命帶來了更幸福的生活嗎？

答案是否定的。智人定居下來進(jìn)行農(nóng)耕，變成農(nóng)民，第一代農(nóng)民不用擔(dān)心野獸襲擊、風(fēng)吹雨淋，確實(shí)享受到了好處。

但是（下面才是重點(diǎn)），

﹒隨著人口的增多，農(nóng)民不得不花費(fèi)更多的時(shí)間進(jìn)行農(nóng)耕，獲取食物；

﹒而農(nóng)耕部落顯然強(qiáng)于采集部落，因此逼迫后者也加入農(nóng)耕行列；

﹒而農(nóng)耕部落的沖突顯然比采集部落的火拼更加硝煙彌漫，同時(shí)農(nóng)耕部落還面臨著河堤決口、旱災(zāi)等自然災(zāi)害，迫使需要大規(guī)模的政治和社會(huì)制度作為保障，最終形成國家；

﹒可農(nóng)民勤勞不懈，付出的保護(hù)費(fèi)總比得到的保護(hù)要多，農(nóng)民交出去的糧食養(yǎng)活了政治、戰(zhàn)爭、藝術(shù)和哲學(xué)，一小部分統(tǒng)治階層和精英階層過上了比農(nóng)業(yè)革命前更優(yōu)越的日子，但為數(shù)最多的農(nóng)民卻背負(fù)上了空前沉重的稅負(fù)。

農(nóng)業(yè)革命的真正本質(zhì)就是：讓更多的人以更糟的狀況活下去。

與此對應(yīng)的是奢侈品陷阱，我們想讓生活變得容易的努力，卻帶來了無窮的麻煩。比如，以前寄信很麻煩，寫信封、貼郵票，還要經(jīng)過幾天甚至幾月的等待，而我們發(fā)明電子郵件之后，寄信便不再是麻煩事了?？涩F(xiàn)在，尤其對上班族來說，每天都面臨著幾十、上百封email，且都在等著立刻回應(yīng)。相比于車馬很慢的年代，電子郵件省下了很多時(shí)間，但實(shí)則是生活步調(diào)被極大加速，我們整天忙忙碌碌，疲于應(yīng)付。

而且革命還有其他受害者，就DNA拷貝數(shù)來說，被人類馴化的雞，牛，豬，羊，可以說演化很成功。但在現(xiàn)代畜牧場里，一只小牛可能終生被關(guān)在籠子里，避免走動(dòng)而肌肉變硬，因?yàn)榧∪庠饺彳?，牛排也越鮮嫩多汁。牛是演化成功的物種，但牛的個(gè)體卻可能承受著無比悲慘的生活。

農(nóng)業(yè)革命還有其他的影響：

1，? 在此之前，人類采野果，驅(qū)虎豹，以天為被，以地為席，但在農(nóng)業(yè)革命之后，人類只與“自己家”緊密相連，與其他生物畫出界限。

2，? 農(nóng)業(yè)革命之后，社會(huì)變得格外復(fù)雜，人腦不足以記錄所有信息，于是出現(xiàn)了新的信息類型：數(shù)字。早期的文字只用來記錄事實(shí)和數(shù)字?，F(xiàn)發(fā)現(xiàn)的人類史上第一個(gè)文本，不是詩歌法律，卻是財(cái)經(jīng)文件，記著稅務(wù)、債務(wù)及財(cái)產(chǎn)所有權(quán)。而史上記下第一個(gè)名字的人，是記錄這些數(shù)字的會(huì)計(jì)師。

人類在這些無聊的數(shù)字外，不斷加入其它符號(hào)，最終形成完整的表意文字。楔形文字形成于公元前3000~公元前2500年，中國約在公元前1200年發(fā)展出表意文字。

關(guān)于人類歷史的方向，如果僅從鳥瞰的角度，看過去的幾個(gè)世紀(jì)，還不足以得出結(jié)論，而應(yīng)該從“間諜衛(wèi)星的高度”，看幾千年，幾萬年的發(fā)展軌跡，才能得到結(jié)論：合久必分只是一時(shí)，分久必合才是大趨勢。

有以下三種力量，建立起全球一家的基礎(chǔ)：

1，貨幣。人類虛構(gòu)故事的產(chǎn)物，正因?yàn)槿藗兿嘈乓粡埣埓淼膬r(jià)值，因此從物物交換，發(fā)展到了以貨幣為媒介的商品交換。金錢正是有史以來最普遍也最有效的互信系統(tǒng)。本拉登肯定不喜歡奧巴馬，但他對美元卻是來者不拒。

2，帝國。帝國就像一臺(tái)壓路機(jī)，將許多民族獨(dú)特的多樣性夯平，整合制造出新的更大群體。比如，西古羅馬帝國在公元476年被日耳曼人推翻，但此前被羅馬征服的努曼西亞人、阿爾維尼人、赫爾維蒂人等都沒有恢復(fù)重生，這是因?yàn)檫@些后代早就被羅馬帝國同化。

3，宗教。社會(huì)秩序只是想象的產(chǎn)物，因此，社會(huì)規(guī)模越大，秩序也就越脆弱。而宗教則說有一種絕對的神圣最高權(quán)柄，超越人類，不容動(dòng)搖。不再質(zhì)疑秩序本身，只得遵守，因而能確保統(tǒng)一和穩(wěn)定。不同的宗教有著不同的最高權(quán)柄，基督教為上帝，佛教和道教則為自然法則。

商業(yè)、帝國和全球性宗教，將幾乎所有的智人納入了今天的全球世界。

公元1500年左右，即大航海時(shí)代，通過地理大發(fā)現(xiàn)，世界逐漸連為一個(gè)整體。從這之后，一直到人類登上月球，發(fā)生就是“科技革命”。

現(xiàn)代科學(xué)與之前的知識(shí)體系有三大不同：1，愿意承認(rèn)自己的無知。2，以觀察和數(shù)學(xué)為中心。3，目的是取得新能力?？梢哉f，科技革命不是“知識(shí)的革命”，而是“無知的革命”。

而科學(xué)的蓬勃發(fā)展，還要?dú)w因于其他力量的推動(dòng)，其中帝國主義和資本主義尤其重要。

1，科學(xué)和帝國的聯(lián)姻。過去的歐洲帝國主義自以為了解整個(gè)世界，“征服世界”是為了傳播自己對于世界的看法，但在征服過程中，不斷發(fā)現(xiàn)新領(lǐng)地，也不斷發(fā)現(xiàn)新知識(shí)，反過來這些新知識(shí)又成為它們繼續(xù)征服的武器。

因?yàn)橘Y助科學(xué)家能帶來新知識(shí)，而新知識(shí)能帶來更大的利益。因此，公元1500年之后，帝國越來越愿意資助科學(xué)研究。

2，資本主義。如果不是商人想賺錢，哥倫布也不會(huì)到達(dá)美洲，阿姆斯特朗也不會(huì)登上月球。

過去，許多文化認(rèn)為賺錢是種罪惡，認(rèn)為世界是一張大餅，你多拿一塊，勢必?fù)p害別人的利益。賺錢就是零和游戲。比如耶穌就說：“駱駝穿過針的眼，比財(cái)主進(jìn)神的國還容易呢！”

直到1776年，亞當(dāng)斯密出版了《國富論》：如果地主賺的的利潤高于基本所需，多余的錢就會(huì)用來雇傭更多的助手，好進(jìn)一步提升利潤。利潤越高，所雇人員也越多。因而獲利并投入再生產(chǎn)正是社會(huì)繁榮的基礎(chǔ)。

由此產(chǎn)生了新的道德標(biāo)準(zhǔn)：拿出利潤，投入再生產(chǎn)，并如此循環(huán)。所謂，資本的生命在于運(yùn)動(dòng)。

而帝國+資本+科技就產(chǎn)生了收割暴利的龐然大物——英國東印度公司。其運(yùn)營的邏輯是：信貸資助新發(fā)現(xiàn)，新發(fā)現(xiàn)帶來新殖民地，殖民地帶來利潤，利潤建立起信任，信任轉(zhuǎn)化為更多的信貸，如此循環(huán)。

而現(xiàn)代經(jīng)濟(jì)的邏輯就是，相信明天的餅會(huì)更大，因此不斷拿出今天的利潤，投入再生產(chǎn)。然而，經(jīng)濟(jì)的大餅真能無限制變大嗎？如果不能，現(xiàn)代經(jīng)濟(jì)顯然就是一場龐氏騙局。

制造每塊餅，都需要原材料和能源，如果這兩者窮盡了，顯然現(xiàn)代經(jīng)濟(jì)便崩潰了。而資源有限，這只是相對的說法。因?yàn)?，科學(xué)似乎總能找到解決之道。比如質(zhì)能方程E=MC^2就告訴我們，能源其實(shí)無窮無盡，唯一的限制就是能源轉(zhuǎn)化的方法。關(guān)于原材料，我們的目光如果不局限于地球，放眼整個(gè)太陽系，乃至整個(gè)宇宙，更是發(fā)現(xiàn)它取之不盡。

現(xiàn)代資本主義經(jīng)濟(jì)想要存活，就必須要不斷生產(chǎn)。如同鯊魚，停止游動(dòng)就會(huì)窒息。這就是為什么，明明你的iPhone5功能正常，但iPhone6,7還是接二連三上市，并誘惑著你去購買。這也便是資本主義創(chuàng)造出的消費(fèi)主義，從而使整個(gè)現(xiàn)代社會(huì)變成：有錢人，投資；消費(fèi)者，購買。

工業(yè)革命找出了新的能量轉(zhuǎn)換和商品生產(chǎn)方法，因而人類對自然生態(tài)系統(tǒng)依賴性大減，結(jié)果我們砍伐森林、抽干胡泊，造成全球暖化、污染猖獗等等生態(tài)問題。

因此，最先崩潰的很可能不是我們的經(jīng)濟(jì)，而是我們居住的環(huán)境。

但拋卻這些問題，我們今天確實(shí)生活在比以往更和平的環(huán)境里，以往戰(zhàn)爭帶來殖民地便帶來海量財(cái)富，在今天戰(zhàn)爭絕對得不到這樣的利潤，而且核子末日的威脅也促進(jìn)了和平主義。然而今天的我們是否生活的更幸福了呢？好比農(nóng)業(yè)革命更像一場騙局，工業(yè)革命又帶來了什么？

此外，歷史書籍總是對社會(huì)建立和瓦解，帝國興衰，科技發(fā)明與傳播，知無不言、言無不盡。但對這一切給人類帶來的是快樂或痛苦，卻只字不提?？鞓返臍v史，有待研究，而人生的幸福，則要靠自己體會(huì)。

21世紀(jì)曙光乍現(xiàn)之際，自然選擇的法則開始被智慧設(shè)計(jì)的法則取代。智人通過生物工程、仿生工程、無機(jī)生命工程，來干預(yù)、甚至掌控生命，制造出自然演化不可能出現(xiàn)的產(chǎn)物。

而這些智慧設(shè)計(jì)也被用于智人自身，如果未來科技能夠改造我們的身體，也能改造我們的心靈，那這種“更完美”的生物誕生之時(shí)，也將是智人歷史落幕之日。

（全文完）

說到BAT三家在AI方面的表現(xiàn)，百度和阿里一直很高調(diào)，比如李彥宏曾經(jīng)說百度的AI是中國的“國家隊(duì)”，而馬云前幾天立項(xiàng)NASA的新聞也鋪天蓋地，而相比較下，騰訊卻顯得比較低調(diào)和安靜。
但是近期騰訊的AI研究終于有了一個(gè)比較喜人的成績：在今年的UEC圍棋比賽中，騰訊的AI“絕藝”戰(zhàn)勝了日本DeepZenGO在內(nèi)的多只AI，奪得了冠軍。

絕藝奪冠了，馬總很開心

雖然這次比賽沒有AlphaGo參加，但這個(gè)新聞也著實(shí)讓很多人對于一直不顯山不露水的騰訊的AI水平有了新的認(rèn)知。

絕藝在UEC中奪冠比賽路徑（圖片來自全景網(wǎng)騰訊專訪）
要說“絕藝”這個(gè)名字并不是一開始就有的，一開始騰訊的下棋AI名字一直是Weigo，而“絕藝”這個(gè)詞第一次在人們的視野中出現(xiàn)還是去年11月1日，當(dāng)時(shí)weigo第一次以“絕藝”這個(gè)ID在野狐平臺(tái)對戰(zhàn)，第二天就戰(zhàn)勝了世界冠軍江維杰，此后這個(gè)名稱被沿用。

“絕藝”在野狐平臺(tái)使用過的馬甲，每升級(jí)一次，挑戰(zhàn)對手實(shí)力更強(qiáng)一階（圖片來自全景網(wǎng)）

有意思的是，在這之前，weigo在野狐平臺(tái)叫過各種“小名”，已知的第一次對戰(zhàn)在去年8月，它用“虎虎有生氣”這個(gè)ID開始在野狐下棋，8月23日第一次戰(zhàn)勝了職業(yè)選手。
接下來，不知是不是出于信心增長，改用“野狐掃地僧”ID，在9月4號(hào)和網(wǎng)友tby大戰(zhàn)8局，8局連勝，網(wǎng)友tby不是別人，正是棋圣聶衛(wèi)平的長子孔令文。

此后就是11月1日用“絕藝”這個(gè)ID戰(zhàn)勝江維杰，之后戰(zhàn)績恐怖：11月19日，對柯潔，一勝一負(fù)；11月28日對陣韓國第一人樸廷桓5勝1敗，再之后的手下敗將有韓國的尹均相、范蘊(yùn)若、古力、黨毅飛、陳耀華、連笑、羋昱廷、胡耀宇、辜梓豪……

野狐平臺(tái)上“絕藝”的信息，明確標(biāo)識(shí)為“十段”
這一陣狂風(fēng)之后，根據(jù)野狐平臺(tái)的計(jì)算方式，“絕藝”榮升“十段”。
雖然當(dāng)時(shí)騰訊從來沒有出面認(rèn)領(lǐng)過，但是棋迷們大部分都已經(jīng)猜出“絕藝”就是騰訊當(dāng)年那個(gè)叫作“Weigo”的AI。
甚至有網(wǎng)友扒出去年騰訊報(bào)名UEC的時(shí)候，使用的名稱仍然是Weigo。然而，大概是由于“絕藝”這個(gè)馬甲早已深入人心，或者騰訊早有打算，總之，Weigo現(xiàn)在已經(jīng)改名“絕藝”混世了。

網(wǎng)友扒出的參賽報(bào)名名單（來自新浪微博）
很多人可能都知道DeepZenGo，但是沒有聽過“絕藝”，對普通人來說，可能直到今年UEC比賽，絕藝才算“一鳴驚人”。聯(lián)系此前騰訊在AI上的低調(diào)，我們可以說一開始營造神秘感，之后一炮而紅的做法，似乎有著更好的宣傳效果，這個(gè)套路在江湖上人稱“憋大招”。
“憋大招”之所以讓人覺得很厲害，是因?yàn)樵诔聊斜l(fā)，“屌絲逆襲”的故事總是震撼人心。但是說到這里，小編還是忍不住奶一口毒雞湯為大家：那就是并不是所有的屌絲都能在默默無聞中憋出大招，能憋出大招的屌絲很有可能早就有著得天獨(dú)厚的優(yōu)勢——
首先，騰訊從來不是屌絲，而是高富帥，與此同時(shí)直接導(dǎo)致絕藝不可能是個(gè)屌絲，至少是個(gè)富二代。

騰訊的AI實(shí)驗(yàn)室由13人團(tuán)隊(duì)組成
騰訊背景在本次絕藝獲勝中有關(guān)鍵作用：
UEC比賽每方出棋時(shí)間一共30分鐘，每一步大概就20秒左右，可以算得上快棋，而各家AI在本次比賽中是分別使用自家的服務(wù)器進(jìn)行計(jì)算的。計(jì)算時(shí)間有限，就對于計(jì)算速度提出了非常高的要求，而騰訊在調(diào)用計(jì)算資源上的優(yōu)勢相對于其他顯然是碾壓。即使DeepZenGO的背景是日本第一視頻網(wǎng)站，其服務(wù)器規(guī)模在騰訊面前仍是不值一提，更不要說中國已經(jīng)具備了世界領(lǐng)先的超級(jí)計(jì)算能力。
如果規(guī)定所有參賽者使用同等服務(wù)器，結(jié)果可能對絕藝不利。
不過，絕藝一路走來也不是一帆風(fēng)順的。騰訊從一開始就對于打造圍棋AI這件事說得很保守，對于為什么要做AI，就有“鍛煉說”和“檢閱說”兩個(gè)說法：當(dāng)時(shí)副總姚星的說weigo項(xiàng)目可以“鍛煉”團(tuán)隊(duì)的研發(fā)能力；研發(fā)團(tuán)隊(duì)說做圍棋機(jī)器人可以對團(tuán)隊(duì)的算法研究、大規(guī)模計(jì)算以及工程能力進(jìn)行一次“檢閱”。
這兩種說法都讓騰訊做圍棋機(jī)器人蒙上一層“玩票”的氣息，做成了，就是太厲害了，玩玩都能成；做不成也不丟人，畢竟只是玩玩而已。畢竟低調(diào)和默默無聞的一個(gè)好處就是，如果不能在沉默中爆發(fā)，那也可以在沉默中滅亡，一個(gè)聰明的富帥總是能把握好裝逼的力度和節(jié)奏。
最后，值得遺憾的是，AlphaGo沒有應(yīng)邀參賽。有人說，現(xiàn)在的AlphaGo面對絕藝眾人，其俯視感仍是上神之于小仙。不過什么時(shí)候絕藝們成長到足夠階段，不排除AlphaGo也會(huì)走下神壇跟它們較量一把的可能。

AlphaGo對戰(zhàn)李世石
但是小編認(rèn)為，其實(shí)目前的絕藝距離去年和李世石對戰(zhàn)時(shí)的阿爾法狗的水平（AlphaGo之后又有重大突破），也許并沒有大家說的大得那么離譜的距離。因?yàn)椴荒軉渭儼驯敬蜺EC比賽的棋譜水平和當(dāng)時(shí)AlphaGo李世石棋譜水平進(jìn)行簡單比較，因?yàn)楸敬蜺EC下得是快棋，而李世石那場下得是慢棋，計(jì)算時(shí)間限制小，這樣比對絕藝、DeepZenGO它們不太公平。

目前世界冠軍在絕藝手下的勝率
小編想說，我們最好還是少糾結(jié)于AI圍棋比賽的勝負(fù)，因?yàn)锳I對人類的終極意義不可能是下圍棋，圍棋只是大公司們最直觀的的AI水平競爭的一種娛樂化形式。而真正重要的總應(yīng)該是各家AI在今后無人駕駛、保險(xiǎn)金融、城市建設(shè)規(guī)劃、智能醫(yī)療這些本質(zhì)工作上的能力幾何，希望到時(shí)各家AI也能力爭上游，友善競爭，給人類創(chuàng)造更多價(jià)值。
來源：互聯(lián)網(wǎng)叫獸

作者：互聯(lián)網(wǎng)叫獸

在確定這個(gè)話題之前，有必要先對群嘲做個(gè)限定：

現(xiàn)在：在“API困境”被解決之前（后詳）。

人工智能助理：這里指的是Intelligent personal assistant/agent?(IPA)?又稱為Virtual Personal Assistant/Agent(VPA)——幫助個(gè)人完成多項(xiàng)任務(wù)或多項(xiàng)服務(wù)的虛擬助理，當(dāng)前討論的核心驅(qū)動(dòng)力是人工智能。（什么你說用人來做處理單元？那是呼叫中心，也叫客服，最看不起掛羊頭賣狗肉的了。）

在座：不止是創(chuàng)業(yè)公司，大公司也搞不定，國內(nèi)國外無所謂。

都是坑：創(chuàng)業(yè)公司做消費(fèi)端的虛擬助理，一定無法實(shí)現(xiàn)消費(fèi)級(jí)產(chǎn)品效果。對于巨頭也是，我相信大部分的相關(guān)負(fù)責(zé)人都以“進(jìn)步”為目標(biāo)，而不敢跟自家CEO擔(dān)保要以“搞定”為目標(biāo)。

【什么是智能助理？】

智能助理屬于對話式服務(wù)

兩者的邊界不是很清晰，智能助理的功能在前面解釋過了；而“對話式服務(wù)（conversational service/commerce）”——這是包含智能助理在內(nèi)的多個(gè)產(chǎn)品形態(tài)的統(tǒng)稱，核心特點(diǎn)是：

對話式：人機(jī)交互的方式由圖形化交互（GUI-Graphical User Interface）變?yōu)橐詫υ捵鳛榻换シ绞剑–UI-Conversational User Interface業(yè)界暫時(shí)還沒有定義，這是我自己瞎編的），就是用說話來代替觸摸或者鼠標(biāo)，操作計(jì)算設(shè)備。

服務(wù)：提供服務(wù)，解決問題都算，如訂機(jī)票，購買禮物等。不包括信息查詢（如天氣）。

Facebook M, 真人和AI結(jié)合的服務(wù)

去年（2015）起來的這一波對話式服務(wù)在硅谷有多火？看看創(chuàng)業(yè)團(tuán)隊(duì)增長的數(shù)量就知道了：2015年的時(shí)候有129個(gè)類似的項(xiàng)目出現(xiàn)，而14年的時(shí)候才42個(gè)。

Tracxn Report:Conversational Commerce

在各類科技博客上，對Conversational Commerce的討論也非常熱烈，尤其是在medium.com上有大量的探討。基本的觀點(diǎn)就是”對話式的交互將會(huì)成為下一個(gè)風(fēng)口，大家趕緊上?。　?。截止到2016年6月的時(shí)候，在Producthunt上標(biāo)記為對話式服務(wù)（ConvComm）的有一百多個(gè)創(chuàng)業(yè)項(xiàng)目。

除了智能助理以外，還有很多類似的概念如digital agent，bot，service bot, chatbot，P2P的電商。比如Operator現(xiàn)在用真人專家?guī)陀脩糇鱿M(fèi)決策，在過去嘗試過用bot/AI但可惜達(dá)不到效果，或者magic模式，完全是靠”真人幫懶人用APP“驅(qū)動(dòng)運(yùn)營。本文主要討論的是基于人工智能的智能助理——就像IBM提到的一樣，只有如此才能真正規(guī)模化。

智能助理應(yīng)該解決服務(wù)需求

巨頭的人工智能助理基本都已亮相了：

Facebook M

Amazon Echo

Google Assistant, Allo

Apple Siri

IBM Watson

Microsoft Cortana

以上智能助理的服務(wù)范圍大都是在信息檢索，幫助用戶獲得資訊。絕大多數(shù)的內(nèi)容是不牽涉“推理”的查詢類信息服務(wù)。比如：

1）明天的天氣如何？

2）找附近的星巴克在哪兒？

3）蘋果的股價(jià)如何？

如果用戶問到在基礎(chǔ)信息以上，一旦牽涉推理的問題，就無能為力了。比如：

1）明天這個(gè)天氣狀況會(huì)會(huì)造成航班延誤么？

2）我只有支付寶，附近的星巴克可以用么？

3）我什么時(shí)候該買蘋果的股票？

使用體驗(yàn)方面，這些助理的服務(wù)范圍覆蓋面基本跟當(dāng)前的所有引擎一樣。在設(shè)計(jì)邏輯上，基本都是基于用命名實(shí)體識(shí)別來代替打字輸入關(guān)鍵詞然后返回檢索結(jié)果SERP。而信息檢索，離人們要完成的服務(wù)需求有很大的區(qū)別。就好像viv.ai的聯(lián)合創(chuàng)始人Dag Kittlaus?說的，當(dāng)初他創(chuàng)建siri的時(shí)候，是想要重新挑戰(zhàn)移動(dòng)服務(wù)，而不是造一個(gè)chatbot。

Dag Kittlaus 中間

除此以外，巨頭的助理與其關(guān)聯(lián)的生態(tài)產(chǎn)生操作的關(guān)聯(lián)。比如SIRI對iOS和macOS的操作；Cortana對windows的操作；echo對關(guān)聯(lián)著的智能家居設(shè)備的操作等等。此類操作的一個(gè)特點(diǎn)，是對結(jié)果非常的確定，出現(xiàn)個(gè)性化選擇范圍非常的少。

另一方面，對于創(chuàng)業(yè)項(xiàng)目而言，因?yàn)椴痪邆漕愃频纳鷳B(tài)和硬件入口的條件，大都定位在資訊和服務(wù)上。我們選擇Producthunt當(dāng)中排在最前150位的項(xiàng)目進(jìn)行分析，其中高達(dá)70%的項(xiàng)目定位都在2C的個(gè)人助理（agent）上，其中大部分都想做切入服務(wù)，包括垂直類的和多任務(wù)的。

這些助理服務(wù)當(dāng)中有23.1%是專業(yè)類型的服務(wù)，主要是在醫(yī)療和理財(cái)方面。而剩下來的76.9%的助理干的最多的活兒是生活上的綜合幫助，出行安排，日程管理，購物訂餐廳等等——這一類是坑最大的地方——特別是那些試圖把生活上的各種服務(wù)都打包進(jìn)去的產(chǎn)品。

Producthunt上面69.7%的對話式服務(wù)都是智能助理產(chǎn)品（但并非所有都具備AI）

【人工智能助理的潛力】

移動(dòng)紅利的結(jié)束，行業(yè)需要新的增長點(diǎn)

很多跡象都指向同一個(gè)結(jié)論：移動(dòng)互聯(lián)的高速增長已經(jīng)飽和。比如用戶已經(jīng)不再愿意下載新的APP。

qz?(based on comscore data) &?statista

2016年1月有超過5萬個(gè)新的APP被提交到了appstore，但是在美國市場有65%的智能手機(jī)用戶在一個(gè)月內(nèi)下載新APP的數(shù)量為0，下了1個(gè)新APP的人占8.4%。

2015年中到現(xiàn)在，在國內(nèi)2C市場中，幾乎找不到一款真正能爆發(fā)并留存的移動(dòng)產(chǎn)品。對于移動(dòng)開發(fā)者而言，能放首屏的高頻應(yīng)用早就擠不進(jìn)去了。而且很多中低頻的服務(wù)，并不是最適合用app來承載的。比如訂生日蛋糕，作為商業(yè)其價(jià)值一直存在，能通過信息化的方式來解決獲客或者能效問題么？宏觀來講肯定可以，但是開發(fā)一個(gè)APP則會(huì)面臨用戶獲取和使用成本高，難留存，用戶難發(fā)現(xiàn)等等障礙——這些問題，都讓開發(fā)者懷疑要不要做APP，特別是在最開始的PMF核心邏輯還沒有被驗(yàn)證的時(shí)候。

但創(chuàng)業(yè)者的熱情和投資人基金里的錢都不能等！于是大家憋著這口氣四處找風(fēng)口，或者又有怎樣的產(chǎn)品形態(tài)可以把商業(yè)形態(tài)再顛覆一次，好比APP顛覆了網(wǎng)頁，宏觀上有沒有新的產(chǎn)品形態(tài)可以再來一次？甚至運(yùn)氣更好點(diǎn)，甚至開拓出以前沒有被耕耘過的維度？

對話式服務(wù)具備新的增長點(diǎn)的潛質(zhì)

回顧過去，最大的幾次浪潮基本都伴隨著一個(gè)規(guī)律：核心技術(shù)（軟硬一堆）的出現(xiàn)和整合，帶來全新的人機(jī)交互方式 ，在此基礎(chǔ)上大量的商業(yè)應(yīng)用應(yīng)運(yùn)而生。

從90年代，人機(jī)交互的三種變化

比如2007年末移動(dòng)互聯(lián)開始，核心驅(qū)動(dòng)的硬件是觸摸技術(shù)、各種sensor的成熟以及整體計(jì)算能力的提升和小型化；軟件方面則是iOS&Android的顛覆式出現(xiàn)。軟硬結(jié)合創(chuàng)造出完全顛覆過去的觸摸操作的體驗(yàn)，并使其稱為真正可用的人機(jī)交互方式——讓圖形化界面的輸入工具，從鍵鼠時(shí)代跨越到了更intuitive的觸摸，并完美的與后面開放的生態(tài)系統(tǒng)結(jié)合起來（不得不再次對喬大爺表示敬佩）。

人機(jī)交互越來越傾向于人

可以看到隨著技術(shù)的平民化(democratization)，人機(jī)交互正不可逆轉(zhuǎn)地向人的方向靠近——不需要學(xué)習(xí)的人機(jī)交互。

將來越來越多的人都能更自然的通過計(jì)算設(shè)備來獲得價(jià)值。下一個(gè)超級(jí)增長點(diǎn)的交互方式，一定是交互更接近人的自然行為，更多人可以使用的。

因?yàn)檐浻布拗疲^去用上計(jì)算設(shè)備的人很少。一方面，當(dāng)時(shí)的人機(jī)交互是讓人來“將就”機(jī)器——人學(xué)習(xí)機(jī)器的語言——操作需要專業(yè)技術(shù)，如打孔…（在個(gè)人電腦方面，當(dāng)年知道’cd 文件夾名’的命令行的人也都是高端人士）；另一方面計(jì)算設(shè)備巨貴，還不屬于個(gè)人設(shè)備，大眾都買不起；再者，日常應(yīng)用和普通生產(chǎn)力應(yīng)用幾乎沒有，所以買來設(shè)備學(xué)會(huì)了UI也沒啥用。而移動(dòng)設(shè)備出現(xiàn)就讓更多的人從使用計(jì)算設(shè)備中獲利，更多不會(huì)鍵盤鼠標(biāo)的人，通過觸摸手機(jī)屏來操作。將來人們想要獲得服務(wù)的時(shí)候，或許不需要有“計(jì)算設(shè)備”這個(gè)中間載體的概念。直接提出需求，就能獲得結(jié)果。

下一代的交互方式，似計(jì)算設(shè)備能覆蓋更廣的商業(yè)。

Google Assistant Allo

看看過去app如何顛覆web的，在沒有移動(dòng)互聯(lián)之前，大眾點(diǎn)評(píng)只是一個(gè)不知道幾流的小眾產(chǎn)品，web也并非最合適這個(gè)商業(yè)模式的產(chǎn)品形態(tài)——比如大部分情況下，人們想要找餐廳的時(shí)候，身邊都沒有PC來獲得其他人的點(diǎn)評(píng)信息；而移動(dòng)互聯(lián)的APP解決了這個(gè)問題。

這并不是說app代替了web（比如PS還是在桌面端更好用），而是借由移動(dòng)設(shè)備，app開啟了過去沒有的維度，繼而大眾點(diǎn)評(píng)的商業(yè)模式有了更合適的產(chǎn)品形態(tài)。我相信APP顛覆web的歷史，也會(huì)同樣發(fā)生在下一代人機(jī)交互的形態(tài)來顛覆當(dāng)前app的時(shí)候。不僅很多商業(yè)模式和形態(tài)都可以被重新考慮一次，甚至幾乎可以肯定CUI會(huì)打開新的維度，解放更多的商業(yè)價(jià)值。

如果一個(gè)C端產(chǎn)品做得好，傳播不受硬件束縛，沒有用戶的使用成本的障礙，并且不需要下載新的APP，直接在熟悉的IM或者SNS里實(shí)現(xiàn)過去用app承載的服務(wù)，甚至還能開拓新的形態(tài)…比起當(dāng)前的其他選擇AR/VR/IoT/區(qū)塊鏈，CUI帶來的想象空間更大。所以，就有很多人，巨頭小頭沒頭的都來嘗試。

【對CUI的特點(diǎn)的理解決定產(chǎn)品價(jià)值】

不可否認(rèn)的，真正的CUI產(chǎn)品一定是基于人工智能的自然語言處理的。如何深入利用CUI的特點(diǎn)，是產(chǎn)品打造的關(guān)鍵。

話說當(dāng)前國內(nèi)有很多投資人認(rèn)為，只要是做人工智能的團(tuán)隊(duì)，就必須是MIT，Caltech出來的機(jī)器學(xué)習(xí)博士或者是GOOGLE，F(xiàn)ACEBOOK的AI團(tuán)隊(duì)的人；如果團(tuán)隊(duì)不是頂級(jí)院校的學(xué)者或者是巨頭出來的項(xiàng)目帶頭人，就沒有什么好搞的——這是典型的誤區(qū)，或者說對行業(yè)的理解太淺了。這種理解基本等于 “聽說你是計(jì)算機(jī)專業(yè)畢業(yè)的，幫我裝一下電腦吧”這樣的水平。很不幸國內(nèi)好多年輕點(diǎn)的投資經(jīng)理基本都是這種水平（為什么年紀(jì)大點(diǎn)的不是？因?yàn)樗麄兝斫?#8217;不懂就不要輕易判斷’這樣的人生道理）?？床欢举|(zhì)，就看表面，也是不得已。

這里，我非常贊同順為資本的孟醒的幾個(gè)觀點(diǎn)：1）所謂“做AI的”也有幾個(gè)類型，底層研發(fā)和做應(yīng)用的是兩碼事。2）人工智能的底層交給大公司，小創(chuàng)業(yè)公司可以做點(diǎn)小模塊。而應(yīng)用層則有大量的空間給創(chuàng)業(yè)公司來實(shí)現(xiàn)商業(yè)化。3）“這個(gè)行業(yè)缺AI的產(chǎn)品經(jīng)理，不缺一般意義上的明星，特別牛x的算法達(dá)人，牛x的北京的BAT出來的人。” 這方面吳恩達(dá)也有類似的觀點(diǎn)，“人工智能社區(qū)是極其開放的，大多數(shù)頂級(jí)研究者會(huì)出版他們的著作／分享他們的想法身子開源代碼。因此，在這個(gè)技術(shù)開元環(huán)境下，數(shù)據(jù)和人才就是稀缺的資源?！?/p>

有點(diǎn)跑題了，在這里就強(qiáng)調(diào)一下，CUI的核心技術(shù)是AI（不僅限NLP后面會(huì)提到）。對CUI作為新一代顛覆性人機(jī)交互的理解，才在產(chǎn)品形態(tài)上能發(fā)揮底層技術(shù)的商業(yè)價(jià)值。最后，再舉個(gè)例子，GUI的核心突破是技術(shù)大牛（xerox）帶領(lǐng)的，而其商業(yè)應(yīng)用的發(fā)揚(yáng)光大則是產(chǎn)品經(jīng)理喬布斯從xerox那兒“偷來”的。

1973年，xerox推出第一款GUI技術(shù)個(gè)人電腦；

在1983年，蘋果也推出了他們首款GUI電腦Lisa（喬老爺“ 完美借鑒 ”）

年輕人不懂就要多看書。

CUI的不可延續(xù)GUI的特點(diǎn)

為了深入理解這個(gè)問題，我們可能要先分析一下，CUI和GUI究竟給用戶體驗(yàn)帶來什么影響？因?yàn)檫@絕不是現(xiàn)在主流的“把按鈕變成語言操控”那么簡單的事情。

當(dāng)移動(dòng)設(shè)備出現(xiàn)的時(shí)候，大家對如何在智能手機(jī)上開發(fā)產(chǎn)品還沒有來得及有深入的了解。所以當(dāng)時(shí)開發(fā)者基本都是從最明顯的地方起步，也就是觸摸代替鍵鼠操作。早期的大量應(yīng)用，都是從“如何把web縮小到手機(jī)屏幕”的思路出發(fā)來設(shè)計(jì)APP的。——這是典型的延續(xù)上一代交互的思路。

隨著開發(fā)者不斷思考和挖掘移動(dòng)端的潛力，慢慢有了對移動(dòng)端真正的核心特質(zhì)的理解——這些“圣杯屬性”才是真正讓移動(dòng)端產(chǎn)品設(shè)計(jì)出眾的要素。比如“碎片時(shí)間”、“個(gè)人身份綁定“、”LBS”等等，這些特質(zhì)才是真正讓移動(dòng)產(chǎn)品體現(xiàn)價(jià)值的——這些是完全顛覆上一代交互的屬性。而且我們發(fā)現(xiàn)這些屬性幾乎跟“觸摸”這個(gè)明顯的交互行為沒有直接關(guān)系。

現(xiàn)在CUI出現(xiàn)的時(shí)候，產(chǎn)品經(jīng)理也會(huì)面臨類似的問題。當(dāng)前大多數(shù)智能助理的設(shè)計(jì)思路都是“過去APP是怎么用的，我現(xiàn)在用語言來代替觸摸操作”。好比是用語言來代替手指去觸摸屏幕，或者是用說話來代替手指打字。而能讓用戶感覺真正智能的核心，我認(rèn)為依然藏在CUI的“圣杯屬性”里，有待大家發(fā)掘。

CUI的特點(diǎn)：高度個(gè)性化

舉一個(gè)例子，根據(jù)實(shí)際研發(fā)和市場運(yùn)作的經(jīng)驗(yàn)，我們發(fā)現(xiàn)有一個(gè)算得上“圣杯屬性”是特質(zhì)是：“高度個(gè)性化”。

在GUI時(shí)代，用戶使用產(chǎn)品時(shí)，有一個(gè)可視化的界面，比如找餐廳，我們打開點(diǎn)評(píng)看上去是這樣：

這看上去是一個(gè)大家非常熟悉的界面，只是所有用戶能做的選擇范圍，都明確的顯示在界面上（所見即所選）。找美食，用戶能做的選擇基本就是：附近，類型，智能排序（不點(diǎn)開可能還不知道是什么意思）以及排序。當(dāng)用戶自己不知道該如何決策的時(shí)候，這些視覺化的框架，給了用戶提示該從這些方面根據(jù)自己的需求來做篩選和匹配。

但是在智能助理的界面，用戶看到的是這樣的：

用戶對可以做哪些選擇一無所知——在沒有可視化的參考下，面對如此開放的交互，當(dāng)用戶要找一個(gè)餐廳的時(shí)候，他們提出的要求，大都不在GUI設(shè)定的范圍以內(nèi)。

根據(jù)我們實(shí)際操作的經(jīng)驗(yàn)，用戶提出的問題是這樣的：

只有“在外灘附近的”是之前GUI的查詢范圍當(dāng)中的，其他的需求都是過去GUI的類型當(dāng)中不存在的維度。但因?yàn)镃UI的開放性，用戶很容易給出上面這樣的高度個(gè)性化（非結(jié)構(gòu)化）的需求。

如果GUI的產(chǎn)品試圖在個(gè)性化同樣給用戶那么多選擇，就不得不面臨用戶使用成本的問題。一個(gè)界面可能會(huì)被大量的下拉列表，層級(jí)關(guān)系，各種填空和操作充滿。如此是加深了個(gè)性化程度了，但是操作的成本會(huì)讓用戶放棄使用。

如果在智能助理的產(chǎn)品設(shè)計(jì)上，不尊重用戶“高度個(gè)性化”的需求，只提供過去APP本身提供的個(gè)性化程度“在XX附近找個(gè)YY菜”，那么用戶在實(shí)際提需求的時(shí)候得靠運(yùn)氣撞到既定的條件上，不然就是無法識(shí)別的范圍，繼而失望。另一方面，如果CUI只是在做GUI范圍內(nèi)的事情，會(huì)遠(yuǎn)不足以顛覆APP。

除此之外，CUI還有一些專屬的特點(diǎn)。比如

使用流程非線性：比如GUI是線性的流程，界面引導(dǎo)用戶一步一步走到結(jié)果；而CUI則可以是完全無視先后順序的，用戶可以再最開始就提出本來到排在最后的條件當(dāng)中。

可避免信息過載：用戶打開GUI的一個(gè)界面，比如點(diǎn)評(píng)上找一個(gè)餐廳，用戶得在一個(gè)列表里去找尋自己最想要的選項(xiàng)（典型的案例是，GUI讓用戶選擇國家的時(shí)候那一長排的列表）。而CUI則可以規(guī)避用戶的信息過載，直接給出期望的結(jié)果。這個(gè)特點(diǎn)的另一面是，GUI因此是informative的，給不熟悉場景的用戶更多的提示，或者比較結(jié)果的機(jī)會(huì)。

復(fù)合動(dòng)作：“明天或后天，晚上最便宜的機(jī)票”——從用戶的操作和實(shí)際體驗(yàn)來看，GUI無法一次給出結(jié)果，只能用戶先查一次明天的機(jī)票，再查一次后天的機(jī)票，然后手動(dòng)來對比。CUI完勝——可以直接給出相關(guān)條件的檢索結(jié)果，前提是AI足夠優(yōu)秀。

這里只是拋磚引玉，詳細(xì)更多特質(zhì)會(huì)不斷被開發(fā)者發(fā)掘出來。在這里就不詳細(xì)展開了。在另一篇《人工智能時(shí)代的產(chǎn)品經(jīng)理》文章當(dāng)中，會(huì)做更多關(guān)于CUI的分析。

【什么樣的AI Agent能滿足C端的需求？?】

為什么現(xiàn)在的助理產(chǎn)品都是坑？很多團(tuán)隊(duì)不是底層的算法差，而是團(tuán)隊(duì)對產(chǎn)品的理解有問題。

要滿足C端用戶的需求，確實(shí)非常難。10次使用，有一次因?yàn)槿我庠虻氖?，用戶心理就?huì)開始有疑慮。從體驗(yàn)上來看，在用戶熟悉的場景下得全面理解用戶提出的需求；在用戶自身不清楚場景下，得自然的協(xié)助用戶挖掘需求；獲得需求后得幫助用戶做決策，并最終呈現(xiàn)結(jié)果。以此來看，對話式的agent就得至少滿足以下功能：

具備基于上下文的對話能力 (contextual conversation)

具備理解口語中的邏輯 (logic understanding)

所有能理解的需求，都要有能力履行（full-fulfillment）

1、基于上下文的對話能力(contextual conversation)

在當(dāng)前，做助理的產(chǎn)品的底層技術(shù)基本都是圍繞NLU（自然語言理解）打造的，很多還沒有涉及到NLP?？墒菬o論是大公司還是小公司的NLU都是讓人失望的。舉個(gè)簡單的例子，在大公司的幾個(gè)產(chǎn)品上提出需求：我下周五要去北京，幫我查一下航班。

需要識(shí)別意圖：查機(jī)票

需要識(shí)別entities：時(shí)間（下周五），目的地（北京），出發(fā)地（無/當(dāng)前地理位置）

我們看看結(jié)果，首先看三家的回復(fù)，從左到右分別是蘋果的SIRI, 微軟的CORTANA, Google的ALLO。

沒有一個(gè)能識(shí)別出來意圖，全部做為用關(guān)鍵詞來檢索網(wǎng)頁(SERP)。沒有識(shí)別出意圖，繼而也就沒有可能識(shí)別entity所在的場景。對于C端用戶而言，這可能算是最基礎(chǔ)的服務(wù)之一，而三大巨頭提供的產(chǎn)品完全不能用。

不過當(dāng)我們看到國內(nèi)的創(chuàng)業(yè)公司，卻能按照需求識(shí)別出意圖，并且識(shí)別出對應(yīng)的entity，組合查詢出結(jié)果，看上去比幾個(gè)巨頭更強(qiáng)大。

我們繼續(xù)測試上下文的對話。比如，我是國航的會(huì)員，agent給出上面的結(jié)果里沒有國航的航班，我自然會(huì)問：”有沒有國航的？“

結(jié)果并沒有如期望那樣，在給出的列表里找到國航的航班。而是開始了重新的一次查詢。

換一句話來說，沒有結(jié)合上下文的對話。我并不是為了黑，事實(shí)上這個(gè)產(chǎn)品在國內(nèi)的創(chuàng)業(yè)公司中也算不錯(cuò)的技術(shù)了。但是不會(huì)結(jié)合上下文的對話，會(huì)造成的最嚴(yán)重的問題就是這個(gè)agent基本不能獨(dú)立完成服務(wù)。因?yàn)橛脩舨粫?huì)在一個(gè)句子里把所有的條件都列出來。

以上是基本要素，就當(dāng)前的產(chǎn)品形態(tài)來看，只有非常少的產(chǎn)品能真正做到第一點(diǎn)。大部分號(hào)稱能做到的，都是濫竽充數(shù)，連續(xù)問問題而已。

不能真正理解上下文的對話（機(jī)票查詢）：

AGENT： 從哪里出發(fā)？

用戶：上海虹橋機(jī)場

AGENT：到哪里？

用戶：還是從浦東走吧

AGENT：好的，從虹橋出發(fā)到浦東的航班是……

在上面的對話，AI Agent在問第二個(gè)問題的時(shí)候，不能理解用戶對前一個(gè)回答的修改（出發(fā)地從“虹橋”改為“浦東”），只是按照預(yù)先設(shè)計(jì)對話的順序，填上命名實(shí)體識(shí)別得來的entity。繼而查詢不到結(jié)果，給用戶的感覺就是笨。

真正理解上下文的對話（機(jī)票查詢）：

AGENT：從哪里出發(fā)？

用戶：上海虹橋機(jī)場

AGENT：到哪里？

用戶：算了，從浦東走吧

AGENT：好的，出發(fā)改為浦東。那到達(dá)城市呢？

用戶：北京

AGENT：好的，從浦東到北京的航班是…（給出正確的結(jié)果）

而具備真正上下文理解的對話，agent可以正確理解用戶第二個(gè)回答的內(nèi)容（從浦東走），其實(shí)是在修改上一問題的回答（出發(fā)機(jī)場），而不是真的在回答第二個(gè)問題（到達(dá)地在哪里）。

這只是上下文的例子，而對于服務(wù)類agent而言，所有后續(xù)的NLP功能都基于上下文對話為前提。這些看上去其實(shí)都是非常簡單的需求，但是當(dāng)前沒有任何一個(gè)2C的agent可以做到。

可能有人會(huì)問，大部分用戶都應(yīng)該在第一時(shí)間把需求表達(dá)出來吧，為什么還需要對話？實(shí)際上，真正操作過大量案例的同學(xué)就會(huì)發(fā)現(xiàn)，用戶不可能如此”貼心“地按照開發(fā)者的設(shè)計(jì)來提出需求。

幫我看看下個(gè)星期五去北京，下午3點(diǎn)多，從虹橋出發(fā)，國航的航班?！啊@一類的表達(dá)方式在幾乎從來沒有出現(xiàn)過。哪怕是在用戶最熟悉的場景，也很難確保一個(gè)句子的表達(dá)里包含了所有必須的檢索條件。而且，用戶還會(huì)不停的補(bǔ)充更多的個(gè)性化需求。

對于用戶自己比較了解的場景，如：訂機(jī)票需要提供到達(dá)地，用戶提出的大多數(shù)需求，在最初都是非常簡單，然后逐漸開始細(xì)化的。所以需要當(dāng)用戶提出不完整需求的時(shí)候，根據(jù)其意圖，結(jié)合之前已經(jīng)給過的條件，通過對話，向用戶提出問題，再獲得答案來補(bǔ)全剩下還需要的條件，最后再完成服務(wù)。

對于用戶自己不熟悉的場景，用戶根本就不知道自己該提出哪些方面的需求。如：不懂酒的用戶，想買一瓶合適的威士忌。他就根本很難提出除了價(jià)格以外的需求，比如產(chǎn)地，年份，釀造原料，水源等等。因此，Agent得以合適的方式來提問，引導(dǎo)用戶給出偏好，并且用對話提出推薦。

而且對于agent而言，很難判斷哪些用戶對服務(wù)的認(rèn)知有多深。如果不做識(shí)別，就容易問”老手“一些”新手問題“，繼而讓老手覺得我還不如自己下單；而給新手又留下”你在說什么我都不懂“的印象，也是不聰明。

所以要有好的體驗(yàn)，這是非常困難的。而基于上下文的對話，只是最基礎(chǔ)的用戶需求之一。

2、理解口語中的邏輯 (logic understanding)

在我們的實(shí)踐中，我們發(fā)現(xiàn)對”邏輯“的理解直觀重要。原因也是因?yàn)橛脩舻恼υ挘蟛糠侄疾皇情_發(fā)者預(yù)設(shè)那樣的。

再做一個(gè)簡單的測試，比如找餐廳，試試：幫我推薦一個(gè)附近的餐廳，不要日本菜。

這是一個(gè)簡單邏輯，但是你看所有的服務(wù)，這次包括剛剛那個(gè)國內(nèi)創(chuàng)業(yè)公司C一樣，都會(huì)是一個(gè)結(jié)果：全部推薦日本菜。

也讓朋友測試了亞馬遜echo的alexa，結(jié)果也無法識(shí)別”不要“這個(gè)最簡單的邏輯

這次其實(shí)比剛剛好多了，至少4家里面除了google allo，都識(shí)別出來我的意圖是找餐廳——但是，當(dāng)我明確提出不要日本菜的時(shí)候，給出結(jié)果的三家全部都是日本菜……也就是說“不要” 兩個(gè)字被完全忽略了。

觀察大量的用戶案例表明，當(dāng)用戶越是個(gè)性化需求強(qiáng)烈的時(shí)候，對話中出現(xiàn)邏輯和指代關(guān)系的頻次越高。

“有沒有更便宜的？”

“除了大床房以外的房間有么？”

“后天會(huì)比今天更冷么？”

“就要?jiǎng)倓偟哪莻€(gè)2千多的吧?！?/p>

“除了廉價(jià)航空，其他的航班都可以?！?/p>

以上這些需求是提需求的時(shí)候，在對話中經(jīng)常出現(xiàn)的表達(dá)方式，而且看似簡單，但是目前沒有任何一個(gè)NLU的系統(tǒng)或產(chǎn)品能夠正確的理解。主要的阻礙就是對邏輯的理解，還有在基于上下文對話中的指代關(guān)系的理解失敗。

3、NLP不是全部，還要有能力履行（API困境）

NLU并不是智能助理發(fā)展的瓶頸，供給端的數(shù)據(jù)才是。

我們假設(shè)如果有一個(gè)黑科技出現(xiàn)，使得NLP有了極大的進(jìn)步，以至于兩個(gè)條件：1）基于上下文場景的對話；2）口語邏輯，都能被理解了，甚至還能基于場景和上下文用NLG來生成各類問題——它能理解我們所有講出來的需求。

在用戶熟悉的范圍內(nèi)，它能結(jié)合所有的過去的對話，歷史記錄等等內(nèi)部外部條件，幫助用戶盡可能的實(shí)現(xiàn)“不用開口，就知道我在這個(gè)的需求”。比如當(dāng)用戶提出“推薦餐廳的需求”：

用戶：“女朋友周日過生日，推薦一個(gè)餐廳，找有江景的，最好桌子旁邊有一個(gè)大落地窗戶，能看到外面的夜景。吃的不要太貴，環(huán)境好點(diǎn)，有現(xiàn)場音樂的最好是爵士，不要太吵的?！?（btw，這是一個(gè)真實(shí)需求）

Agent：“菜系有偏好么？”

用戶：“意大利餐和法餐都可以，對了不要離外灘太遠(yuǎn)了”

agent解析出以下選擇餐廳的條件：

周日晚（營業(yè)）

適合女朋友過生日

有江景

有大落地窗

不要太貴

環(huán)境好

有現(xiàn)場音樂，爵士

不能太吵

意大利餐或者法餐

距離外灘不能太遠(yuǎn)

然后它去哪里找到這樣的餐廳呢？在地圖服務(wù)提供商，或者點(diǎn)評(píng)的API提供的信息里只有8，9，兩項(xiàng)能找到數(shù)據(jù)。假設(shè)評(píng)論中有這樣的數(shù)據(jù)，該用什么方式來傳遞呢？接口提供的都是結(jié)構(gòu)化的數(shù)據(jù)，而“環(huán)境好”這樣的非結(jié)構(gòu)化數(shù)據(jù)，最多以標(biāo)簽的方式來做，但是這樣的話，標(biāo)簽就會(huì)有無止境的多也不現(xiàn)實(shí)。

這就是我們所謂的“API困境”——當(dāng)前基于API的數(shù)據(jù)傳遞方式，只能1）承載結(jié)構(gòu)化數(shù)據(jù)；2）承載數(shù)量非常有限的結(jié)構(gòu)化數(shù)據(jù)。

當(dāng)前基于GUI的產(chǎn)品，都是用API來傳遞結(jié)構(gòu)化數(shù)據(jù)。但大量個(gè)性化數(shù)據(jù)往往是非結(jié)構(gòu)化的，以當(dāng)前API的方式很難被處理。這還是在使用場景或者服務(wù)比較簡單的情況下。

在用戶不熟悉的場景下，agent面對稍微專業(yè)一點(diǎn)的服務(wù)，就會(huì)遇到知識(shí)圖譜的問題。簡單來講，agent要做推薦的前提是對推薦的內(nèi)容得先有了解。好比，要向一位不懂酒的用戶推薦一款威士忌，那就不能依賴這位用戶自己提出的問題（很可能提不出要求），而得依賴“懂行”的自己對威士忌的理解的方方面面來引導(dǎo)用戶做合適他的選擇。一個(gè)助理顯然無法擁有所有服務(wù)所需的知識(shí)圖譜。

從知識(shí)圖譜的結(jié)構(gòu)來看，是相對可被結(jié)構(gòu)化。一個(gè)服務(wù)可以以各種方式被拆解成很多個(gè)方面，但大量的方面在當(dāng)前是沒有結(jié)構(gòu)化數(shù)據(jù)的（比如我們沒有每家餐廳的”營業(yè)面積“的數(shù)據(jù)）；甚至很多方面無法用結(jié)構(gòu)化數(shù)據(jù)來表達(dá)（比如每家餐廳有否”適合浪漫約會(huì)“的環(huán)境）。

因此，智能助理就算有了強(qiáng)大的NLP，還需要全面的知識(shí)圖譜（結(jié)構(gòu)化數(shù)據(jù)）和處理并傳遞非結(jié)構(gòu)化數(shù)據(jù)的能力——而這兩點(diǎn)，在目前是無解的。

總結(jié)

在“API困境”解決之前，再加上NLP本身還有很長的路要走，基于人工智能的多任務(wù)服務(wù)agent不大可能達(dá)到C端滿意的水平。

創(chuàng)業(yè)團(tuán)隊(duì)各自最基礎(chǔ)的認(rèn)知計(jì)算的能力不會(huì)有太大的區(qū)別，都是踩在世界頂尖大牛的肩膀上——在這個(gè)領(lǐng)域創(chuàng)業(yè)團(tuán)隊(duì)想和大公司鋼正面，不是很理性。

創(chuàng)業(yè)團(tuán)隊(duì)在垂直領(lǐng)域有些自己的技術(shù)突破可以創(chuàng)造一些階段性的優(yōu)勢，但面對教育市場的大山而言，這點(diǎn)差異遠(yuǎn)不足以make a difference。

在各自領(lǐng)域，開發(fā)者對人工智能相關(guān)技術(shù)的理解和其帶來的交互層面的有效應(yīng)用，可能會(huì)在垂直商業(yè)應(yīng)用上創(chuàng)造更大的差異——比較起”95% VS 98%的識(shí)別率“ 而言。

來源：雷鋒網(wǎng)